让Claude Code为你打工的七个方法#跨学科视角 · 实践出真知#Agentic Coding&Working指南发布

作者：shadow

mixlab主理人/前景观设计师 / 前蚂蚁集团高级前端专家

--

最近，一群背景迥异的人聚在一起：医学博士要用AI辅助科研，投资人想抓买卖盘信号，科技孵化平台的老炮要评估AI项目，高校老师HCI研究需求，产品经理想搞懂AI……他们有一个共同的困惑：

明明AI这么强，为什么我用起来就是差点意思？

答案藏在“指挥方式”里。

作为从景观设计跨界到软件架构师，再到如今折腾AI编程教育的实践者，我和这群人在mixlab社区里踩坑、复盘、总结出了七条心法。

不是空谈，全是能直接run起来的方法。

心法一：别当“翻译官”，当“老板”

很多人用AI时有个坏习惯：看到报错信息，先自己“理解”一遍，再转述给AI。结果AI被二手信息带偏，来回折腾。

正确姿势： 像老板对员工一样，把原始材料直接甩给它。

• 报错信息？直接复制粘贴。

• 看不懂的输出？贴回去，加一句“我是财务零基础，解释给我听”。

• 要方案？说“给我2~3个不同方案，用ASCII图对比差异”，让AI自己思考、自己对比。

老板不需要懂技术细节，但懂得提好问题。AI就是你的高级程序员员工，先让它试，再看它能做到什么程度。

心法二：用ASCII“扫读”长文章

一篇几万字的论文或报告，没时间细看？别让AI总结（总结往往丢细节）。试试这个：

“把文章重点用ASCII艺术绘制出来。”

AI会生成一张字符画式的结构图：核心论点、分论点、数据支撑一目了然。就像一张纸质地图，快速定位你想深入的区域。

这个方法来自一个每天要读几十份投资报告的投资人，时间就是金钱，视觉化就是效率。

心法三：文件夹即项目，每个任务独立成“车间”

Claude Code 默认会把所有对话混在一起？乱。解法出奇简单：

每个新任务新建一个文件夹 → 右键“在文件夹位置打开终端” → 在该文件夹内启动Claude Code。

以后所有代码、输出、中间文件都留在这个文件夹里。多个项目并行不串味，回收时直接删文件夹，干净利落。

配合 /context 查看当前对话还剩多少“脑容量”，接近80%就用 /clean 清空或让AI总结后开新对话。Ctrl+C退出后用 --resume 找回之前的对话，就像随时保存游戏进度。

心法四：Skill是AI的“肌肉记忆”，三种方式造出来

让AI每次都重复相同的操作（爬某个网站、写某种报告、分析某类数据）？太傻。Skill就是AI的自动化脚本。

三种创建方法，按场景选：

1. 一句话法：/skill-creator + “帮我做一个爬取小红书笔记的skill”，AI自动生成骨架。
2. 培训总结法：带着AI完整做一遍任务，最后说“总结以上过程，做成一个skill” → AI把自己刚才的操作步骤固化下来。
3. 小样本学习法：把三篇你写过的优秀分析报告丢给AI，说“学一下这个风格和结构，创建成skill”。

三种可以混用。关键是 原子化。每个skill控制在1000行以内，拆到不能再小。比如“爬取+清洗+存库”拆成三个小skill，以后按需组合。

用起来之后，发现哪里有偏差，直接让AI改，再回写到skill里。越用越好，形成正循环。

打包成 .skill 文件后，别人拖给Claude Code说一句“安装到用户级目录”就能直接用。你写的一个爬虫skill，可能正在帮另一个做量化投资的人抓数据。

心法五：爬虫别从零造，先查“内置适配器”

拿到一个网站，想爬数据。大多数人第一反应是写脚本。但opencli这个工具内置了100多个网站的适配器（Twitter、小红书、淘宝……）。

正确流程：

1. 先问 opencli user：“能不能爬这个站？”
2. 有内置 → 直接用。没有 → 再用 opencli adapter author 创建新的。
3. 需要登录的网站（比如淘宝），先在Chrome里登录自己的账号，爬虫会复用登录态。

爬出来的数据可以要 table / json / markdown / csv / Excel 任意格式。安装opencli skill时选“拷贝”而非“软链接”，否则可能不生效。

一个提醒：爬虫只能爬“你在浏览器中能看到的信息”。破解付费墙或越权获取数据，那不是爬虫范畴。

心法六：两阶段架构，打造24小时情报系统

投资人想要“每天早上9点自动收到昨夜盘前异动+宏观新闻简报”。高校老师想要“实时追踪某个研究方向的arXiv最新论文”。怎么做？

两阶段架构：

• 阶段一（持续采集）：用 loop 命令 + opencli，每隔N分钟/小时从互联网爬数据，存入SQLite数据库。可以7×24小时运行。

• 阶段二（按需分析）：通过对话触发，从数据库+本地知识库（markdown文档）取数据，调用分析方法，输出报告。

两个阶段共享同一个SQLite数据库，但独立运行。采集和分析解耦，不会因为一次分析卡死而中断爬虫。

在项目根目录放一个 CLAUDE.md 文件，写清楚项目结构、有哪些skill、数据库位置。Claude Code启动时会自动加载这个“总编排文件”，知道该用哪把钥匙开哪扇门。

支持多种报告模板：3000字深度报告、一页纸高管简报、简讯。另加一个“意图推测skill” —— 用户只说“帮我看看最近AI芯片的新闻”，系统先判断他想要什么类型、什么长度、哪些数据源。

心法七：敏感数据？先脱敏，或切本地模型

企业管理者手上有客户数据、财务数据，不敢直接扔给云端AI。两个方案：

方案A（推荐）：本地先用脚本/规则脱敏（替换姓名、ID、金额），处理完后再用公网AI做分析。公网AI不知道原始数据，只看到脱敏后的样本。

方案B：用LM Studio在本地跑一个离线模型。苹果16G内存的笔记本可以跑gemini 12b，只占7G显存。断网环境，数据不出门。

你甚至可以同时做：本地模型跑敏感部分，公网AI跑非敏感部分。混合部署，既不泄密也不牺牲智能。

最后你会发现：AI不是工具，而是一个可以不断训练、持续进化的数字员工。而你，从“操作工”升级成了“指挥家”。